CN116388150A - 基于数字孪生和神经网络技术的配变短期负荷预测方法 - Google Patents
基于数字孪生和神经网络技术的配变短期负荷预测方法 Download PDFInfo
- Publication number
- CN116388150A CN116388150A CN202310122258.8A CN202310122258A CN116388150A CN 116388150 A CN116388150 A CN 116388150A CN 202310122258 A CN202310122258 A CN 202310122258A CN 116388150 A CN116388150 A CN 116388150A
- Authority
- CN
- China
- Prior art keywords
- load
- data
- prediction
- neural network
- digital twin
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 41
- 238000005516 engineering process Methods 0.000 title claims abstract description 36
- 238000009826 distribution Methods 0.000 claims abstract description 39
- 238000004458 analytical method Methods 0.000 claims abstract description 26
- 238000007781 pre-processing Methods 0.000 claims abstract description 21
- 238000003062 neural network model Methods 0.000 claims abstract description 12
- 238000012937 correction Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 19
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 13
- 230000008859 change Effects 0.000 claims description 6
- 238000010606 normalization Methods 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 6
- 101001095088 Homo sapiens Melanoma antigen preferentially expressed in tumors Proteins 0.000 claims description 5
- 102100037020 Melanoma antigen preferentially expressed in tumors Human genes 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000011156 evaluation Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 238000011160 research Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 239000006185 dispersion Substances 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000010586 diagram Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 7
- 230000000306 recurrent effect Effects 0.000 description 6
- 230000008569 process Effects 0.000 description 4
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000011158 quantitative evaluation Methods 0.000 description 3
- 230000001276 controlling effect Effects 0.000 description 2
- 230000002354 daily effect Effects 0.000 description 2
- 238000007405 data analysis Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003203 everyday effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 241001251371 Betula chinensis Species 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 125000004122 cyclic group Chemical group 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005485 electric heating Methods 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 238000003306 harvesting Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010152 pollination Effects 0.000 description 1
- 230000002028 premature Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
- G06N3/0455—Auto-encoder networks; Encoder-decoder networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明属于电力负荷预测技术领域,尤其涉及一种基于数字孪生和神经网络技术的配变短期负荷预测方法。本发明包括:步骤1.采集负荷数据,进行负荷特征分析;步骤2.对采集的负荷数据进行数据预处理;步骤3.将数据预处理后的负荷数据,基于相似日的预测结果进行修正;步骤4.基于数字孪生配电网进行短期负荷预测。本发明以单个配变负荷预测方法为基础,利用数字孪生技术,建立孪生配电网数据中台,孪生配电网从数据中台获取物理电网数据,利用GRU神经网络模型训练短期负荷预测模型,利用相似日修正法对预测结果进行修正。能够更准确的捕捉负荷波动规律,使预测值更贴近真实值,也使预测精度得到了显著的提高,预测精度达到95.3%。
Description
技术领域
本发明属于电力负荷预测技术领域,尤其涉及一种基于数字孪生和神经网络技术的配变短期负荷预测方法。
背景技术
电力负荷预测指的是通过对历史负荷数据进行分析、挖掘,并通过相关性分析得出与负荷相关因素,通过叠加这些因素,对未来某一段时间内的负荷值进行预测的过程。负荷预测在电力系统调度运行中,起着重要的作用,是确保电力系统平稳、高效运行的重要保障。短期负荷预测是指预测未来4小时以内的负荷值。对于短期负荷预测,现有方法主要有以传统的统计学方法为主的和以人工智能方法为主的两大类。
现有技术中,如文献:王克杰,张瑞.基于改进BP神经网络的短期电力负荷预测方法研究[J].d电测与仪表,2019,56(24):115-121.通过使用LSTM循环神经网络模型对全天负荷周期滚动预测,但没有考虑到与负荷数据相关的因素。
如文献:张淑清,杨振宁,张立国,等.基于弹性网降维及花授粉算法优化BP神经网络的短期电力负荷预测[J].仪器仪表学报,2019,,40(7):47-54在基于LSTM网络模型基础上,将温度、节假日信息等与负荷相关的因素作为输入数据,可以实现较高的预测精度。
如文献:杜雅楠,齐敬先,施建华,等.基于LSTM的超短期负荷区间预测[J].计算机系统应用,2021,30(3):184-189.在LSTM模型基础上加入了attention机制,针对输入序列中影响输出结果的关键部分分配较多的注意力,进一步提高了预测精度。
如文献:庞传军,余建明,冯长有,等.基于LSTM自动编码器的电力负荷聚类建模及特性分析[J].电力系统自动化,2020,44(23):57-63.利用LSTM改进模型GRU进行预测,同时利用TLBGA算法解决早熟收敛问题以及提高解的质量和算法的收敛速度。
如文献:李香龙,马龙飞,赵向阳,等.基于LSTM网络的时间多尺度电采暖负荷预测[J].电力系统及其自动化学报,2021,33(4):71-75.中提出了从负荷历史数据以及个影响因素分析的方法,增加了负荷预测的数据维度,有效的提高了预测精度。
上述各文献均存在着没有考虑到与负荷数据相关的因素有关的问题,并且单纯的负荷预测精度得不到有效提高的问题。
上述文献还存在着没有考虑采集数据的精度以及气象数据存在的强不确定性,导致负荷预测功能的准确度达不到实际应用需求的问题。
发明内容
针对上述现有技术中存在的不足之处,本发明提供了一种基于数字孪生和神经网络技术的配变短期负荷预测方法。其目的是为了实现以单个配变负荷预测方法为基础,利用数字孪生技术,建立孪生配电网数据中台,孪生配电网从数据中台获取物理电网数据,利用GRU神经网络模型训练短期负荷预测模型,最后利用相似日修正法对预测结果进行修正,使负荷预测准确率得到显著提高的发明目的。
本发明为实现上述目的所采用的技术方案是:
基于数字孪生和神经网络技术的配变短期负荷预测方法,包括以下步骤:
步骤1.采集负荷数据,进行负荷特征分析;
步骤2.对采集的负荷数据进行数据预处理;
步骤3.将数据预处理后的负荷数据,基于相似日的预测结果进行修正;
步骤4.基于数字孪生配电网进行短期负荷预测。
进一步的,所述采集负荷数据,进行负荷特征分析,是通过对实际负荷数据进行初步分析;根据初步分析结果,对温度因素与负荷数据进一步分析,得到如下结论:温度在15℃-20℃时,负荷值较低;温度在15℃以下时,负荷值随温度的降低而升高;温度在30℃以上时,负荷值随温度的升高而升高;
负荷数据随着数据采集时间的变化而变化,当负荷数据采集普遍采用每15分钟采集一次,全天采集96次数据,经过分析,数据采集时间在0点-6点左右负荷值较低且稳定,从6点开始负荷值逐步增大,直至8点负荷值达到稳定的峰值区间;
负荷数据与节假日有很强的相关性,在节假日时,负荷整体呈较低水平;在工作日,负荷数据保持在稳定峰值区间;
根据上述分析可知,负荷数据与温度、采集时间点、节假日呈强相关。
进一步的,所述对采集的负荷数据进行数据预处理,先对实采的负荷数据进行异常值补全,对时间数据以及节假日标识做独热编码,对负荷数据以及温度数据通过离差标准化(Min-MaxNormalization)将数据归一化至[0,1]区间内,其表达式如下:
其中x'为归一化后的结果;x为待归一化的训练数据;xmin为训练集中最小值;xmax为训练集中最大值。
进一步的,所述将数据预处理后的负荷数据,基于相似日的预测结果进行修正,是采用基于相似日的预测结果修正方法,根据预测日特征,利用欧式距离,计算得到与预测日相似的相似日,对于预测时刻t,修正后的预测值pt'计算方法如下:
式中:pt为t时刻修正前的预测值,Dt为相似日t时刻的真实值。
进一步的,所述基于数字孪生配电网进行短期负荷预测,是通过数字孪生技术和GRU神经网络结合,从而进行负荷预测,包括:
步骤(1)特征工程阶段;
步骤(2)预测阶段;
步骤(3)评价阶段。
进一步的,所述特征工程阶段,是基于数据驱动建立配电网配变设备的GRU神经网络模型;孪生配变基于采集数据,获取配变设备的负荷数据、气象数据、采集时间点、节假日数据,对数据进行归一化处理。
进一步的,所述预测阶段,是将数据集分为训练集与测试集,并保持时序不变,利用GRU神经网络模型进行训练,同时优化并更新网络模型参数;最后,再将验证数据输入到训练好的模型中进行预测,得到对未来4小时以内的负荷预测结果;所述评价阶段,是通过均方根误差RMSE、平均绝对百分比误差MAPE两种指标来判断预测结果精度的高低,经过对比研究得到模型的好坏。
基于数字孪生和神经网络技术的配变短期负荷预测装置,包括:
步骤1包括:采集模块,用于采集负荷数据,进行负荷特征分析;
步骤2包括:预处理模块,用于对采集的负荷数据进行数据预处理;
步骤3包括:修正模块,用于对将数据预处理后的负荷数据,基于相似日的预测结果进行修正;
步骤4包括:预测模块,用于基于数字孪生配电网进行短期负荷预测。
一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任一所述的基于数字孪生和神经网络技术的配变短期负荷预测方法及装置的步骤。
一种计算机存储介质,所述计算机存储介质上存有计算机程序,所述计算机程序被处理器执行时实现任一所述的基于数字孪生和神经网络技术的配变短期负荷预测方法及装置的步骤。
本发明具有以下有益效果及优点:
本发明考虑采集数据的精度以及气象数据存在的强不确定性,使负荷预测功能的准确度达到实际应用需求。
本发明能够更准确的捕捉负荷波动规律,使预测值更贴近真实值,较现有技术相比预测精度得到了显著的提高,使预测精度达到95.3%。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明GRU神经元内部结构图;
图2是本发明负荷值随温度变化趋势图;
图3是本发明负荷值随采集时间变化趋势图;
图4是本发明负荷数据与节假日关系图;
图5是本发明不同模型预测结果对比图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1-图5描述本发明一些实施例的技术方案。
实施例1
本发明提供了一个实施例,是基于数字孪生和神经网络技术的配变短期负荷预测方法,简称DT-GRU方法。
短期负荷预测对于电网安全运行、电网调度安排以及制定合理调度计划方面有着重要意义。本发明充分挖掘负荷数据特性,以及负荷数据中时序性特征,利用数字孪生技术,结合负荷数据分析,构建多维负荷预测指标体系,包括:温度、采集时间点、节假日等维度;剔除冗余特征,保持输入与输出的映射关系,在基于数字孪生和门控循环单元(GatesRecurrent Units,GRU)神经网络模型预测后,基于相似日的预测结果修正方法对模型预测后的结果进行修正,从而提高模型预测精度。使用本发明所提模型对某配变实际运行的电力负荷数据进行预测,并与反向传播(Back Propagation,BP)、循环神经网络(RecurrentNeural Network,RNN)等神经网络模型进行对比分析,结果表明,本发明所提模型的预测精度达到了95.3%,具有更高的预测精度。
数字孪生概念是于2003年提出,数字孪生配电网是配电网模型日渐复杂及数字孪生技术发展的新兴产物。相比于侧重实体操控的信息物理系统或模型驱动的仿真软件,数字孪生电网更侧重于数据驱动的实时态势感知和超实时虚拟推演,通过动态监控和全息模拟,精准感知物理电网的真实状态,为电网调控决策提供辅助支持。数字孪生配电网是数字孪生技术在配电领域的应用,从物理配电网量测感知各类电气量、状态量,以配网机理模型为基础,依托大数据分析平台,以数据计算服务形式为配电网运行提供数字载体。
GRU神经网络,研究电网负荷数据后发现,负荷数据因其采集特征,具有强周期性,同时负荷数据与采集时间点、节假日等因素有强相关性。因此,在对负荷数据做预测时,需要考虑其时序性特征。LSTM网络是一种循环神经网络,适合处理时序数据。LSTM网络内部结构使用了门控结构来解决循环神经网络中的长期依赖问题,包括输入门、遗忘门、记忆单元和输出门。
GRU神经网络实际上由LSTM网络优化而来,其解决了标准循环神经网络中的梯度消失和梯度爆炸的问题。GRU采用门控结构,其内部有更新门和重置门。更新门用来控制前一时刻的特征信息保留到当前特征信息的程度,更新门阈值越大,则表示前一时刻的特征信息对当前时刻的影响越大。重置门用于控制前一时刻的特征信息遗忘程度,功能上相当于LSTM中的遗忘门和输出门的结合,重置门阈值越小,则表示所遗忘的前一时刻特征信息越多。与LSTM相比,GRU神经网络参数更少,训练速度更快,模型复杂度更低,能更好的适用于稳定性较差、变化频率较高的配电网短期负荷预测中。如图1所示,图1是本发明GRU神经元内部结构图。
GRU的计算公式如式(1)-(4)所示:
Rt=σ(Wr⊙[Xt,Ht-1]) (1)
Zt=σ(Wz⊙[Xt,Ht-1]) (2)
其中Rt为重置门;Zt为更新门;Xt为当前输入;为候选隐藏状态;是t时刻的输入和过去隐藏状态的汇总;Ht为隐藏状态;Wr、Wz、/>均为训练权重参数;⊙代表矩阵数乘;σ代表sigmoid函数,可将元素值映射到[0,1]内,其作用是将重置门Rt和更新门Zt中的每个元素值域均在[0,1]。
本发明基于数字孪生和神经网络技术的配变短期负荷预测方法,包括以下步骤:
步骤1.采集负荷数据,进行负荷特征分析。
本发明根据某市某行业类型配变的负荷数据进行负荷特征分析,所选数据均为实际负荷数据,具有一定的代表性。在对所选数据进行初步分析后,得出负荷数据与温度、采集时间、节假日等因素相关性比较大,与湿度、风速、风向、降雨量等气象因素相关性较小。
根据初步分析结果,对温度因素与负荷数据进一步分析,得到如下结论:温度在15℃-20℃时,负荷值较低;温度在15℃以下时,负荷值随温度的降低而升高;温度在30℃以上时,负荷值随温度的升高而升高。如图2所示,图2是本发明负荷值随温度的变化趋势图。
负荷数据也随着数据采集时间的变化而变化,当前电网公司负荷数据采集普遍采用每15分钟采集一次,全天采集96次数据。经过分析,数据采集时间在0点-6点左右负荷值较低且稳定,从6点开始负荷值逐步增大,直至8点负荷值达到稳定的峰值区间。如图3所示,图3是本发明位负荷值随采集时间的变化趋势图。
负荷数据与节假日有很强的相关性,在节假日时,负荷整体呈较低水平,但在工作日,负荷数据保持在稳定峰值区间。如图4所示,图4是本发明负荷数据与节假日关系图。
根据上述对负荷特性的分析可知,负荷数据与温度、采集时间点、节假日呈强相关。
步骤2.对采集的负荷数据进行数据预处理。
由于实际采集到的负荷数据有缺失、异常的情况,因此,先对实采的负荷数据进行异常值补全。由于模型输入数据有负荷数据、温度、时间、节假日标识,其量纲不统一,无法直接输入GRU网络模型中。其中对时间数据以及节假日标识做独热编码,对负荷数据以及温度数据通过离差标准化(Min-MaxNormalization)将数据归一化至[0,1]区间内,其表达式如下式(5)所示。
其中x'为归一化后的结果;x为待归一化的训练数据;xmin为训练集中最小值;xmax为训练集中最大值。
步骤3.将数据预处理后的负荷数据,基于相似日的预测结果进行修正。
本发明采用基于相似日的预测结果修正方法。根据预测日特征,利用欧式距离,计算得到与预测日相似的相似日,对于预测时刻t,修正后的预测值pt'计算方法如式(6)所示:
式中:pt为t时刻修正前的预测值,Dt为相似日t时刻的真实值。
步骤4.基于数字孪生配电网进行短期负荷预测。具体是数字孪生技术和GRU神经网络结合,从而进行负荷预测,包括:
步骤(1)特征工程阶段。
基于数据驱动建立配电网配变设备的GRU神经网络模型。孪生配变基于采集数据,获取配变设备的负荷数据、气象数据、采集时间点、节假日数据,对数据进行归一
化处理。
步骤(2)预测阶段。
将数据集分为训练集与测试集,并保持时序不变,利用GRU神经网络模型进行训练,同时优化并更新网络模型参数。最后,再将验证数据输入到训练好的模型中进行预测,得到对未来4小时以内的负荷预测结果。
步骤(3)评价阶段。
通过均方根误差RMSE、平均绝对百分比误差MAPE两种指标来判断预测结果精度的高低,再经过对比研究得到模型的好坏。
实施例2
本发明又提供了一个实施例,是基于数字孪生和神经网络技术的配变短期负荷预测方法。本发明对厦门市某配变2021年1月4日至2022年2月14日实采孪生数据,进行实例分析,并针对本发明负荷预测模型的准确性进行了验证。
实采孪生数据,包括负荷、气象等数据,该配变每15分钟采集一次孪生数据,每天96条数据,经筛选后,总共提取1.78万条实验数据。本发明将实验数据分为两个数据集,训练集为前399天数据,测试集为后7天数据,对测试集的日负荷进行预测。为了评估发明所提模型的有效性,利用训练集训练模型,并与BP、RNN等模型进行比较。各模型误差定量评价结果如下表4和表5所示。
由表4可知,DT-GRU的RMSE平均值为129,MAPE平均值为6.25%。
由表5可知:对其他模型的预测性能的分析表名,DT-GRU在评分性能指标方面的预测效果最好。
实例验证结果包括BP、RNN、DT-GRU的均方根误差RMSE分别为316.44、173.71、129。综上所述,相较于其他集中模型来说,本发明所提DT-GRU方法在RMSE和MAPE指标上都有明显的下降,表明在预测过程中整体预测精度和模型性能都有明显的提升。
如图5所示,图5是本发明不同模型预测结果对比图。所示为选取的2022年2月15日08:00至2022年2月15日12:00时共4小时的各模型短期负荷预测曲线对比图。由图5可以看出本发明所提的基于数字孪生和神经网络技术的配变短期负荷预测方法预测精度更高、拟合效果更好。在负荷变化的波谷处,BP、RNN方法不能准确分析负荷波动规律,会导致精度严重下降,相比之下,本发明的DT-GRU模型能更准确的捕捉负荷波动规律,使预测值更贴近真实值,提高预测精度。
表4数字孪生-GRU模型误差定量评价表
表5其他模型误差定量评价表
本发明提出了基于数字孪生和神经网络技术的配变短期负荷预测方法,首先通过负荷特征分析,确定负荷预测相关因素,并通过基于相似日的预测结果修正方法,对预测结果进行修正,减少预测误差。从实例分析结果可以得出,本发明基于数字孪生和神经网络技术的配变短期负荷预测模型对比BP、RNN等模型具有更高的精度,验证了本发明中所提模型的有效性。
实施例3
本发明又提供了一个实施例,是基于数字孪生和神经网络技术的配变短期负荷预测装置,包括:
步骤1包括:采集模块,用于采集负荷数据,进行负荷特征分析;
步骤2包括:预处理模块,用于对采集的负荷数据进行数据预处理;
步骤3包括:修正模块,用于对将数据预处理后的负荷数据,基于相似日的预测结果进行修正;
步骤4包括:预测模块,用于基于数字孪生配电网进行短期负荷预测。
实施例4
基于同一发明构思,本发明实施例还提供了一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现实施例1或2所述的任意一种基于数字孪生和神经网络技术的配变短期负荷预测方法的步骤。
实施例5
基于同一发明构思,本发明实施例还提供了一种计算机存储介质,所述计算机存储介质上存有计算机程序,所述计算机程序被处理器执行时实现实施例1或2所述的任意一种基于数字孪生和神经网络技术的配变短期负荷预测方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.基于数字孪生和神经网络技术的配变短期负荷预测方法,其特征是:包括以下步骤:
步骤1.采集负荷数据,进行负荷特征分析;
步骤2.对采集的负荷数据进行数据预处理;
步骤3.将数据预处理后的负荷数据,基于相似日的预测结果进行修正;
步骤4.基于数字孪生配电网进行短期负荷预测。
2.根据权利要求1所述的基于数字孪生和神经网络技术的配变短期负荷预测方法,其特征是:所述采集负荷数据,进行负荷特征分析,是通过对实际负荷数据进行初步分析;根据初步分析结果,对温度因素与负荷数据进一步分析,得到如下结论:温度在15℃-20℃时,负荷值较低;温度在15℃以下时,负荷值随温度的降低而升高;温度在30℃以上时,负荷值随温度的升高而升高;
负荷数据随着数据采集时间的变化而变化,当负荷数据采集普遍采用每15分钟采集一次,全天采集96次数据,经过分析,数据采集时间在0点-6点左右负荷值较低且稳定,从6点开始负荷值逐步增大,直至8点负荷值达到稳定的峰值区间;
负荷数据与节假日有很强的相关性,在节假日时,负荷整体呈较低水平;在工作日,负荷数据保持在稳定峰值区间;
根据上述分析可知,负荷数据与温度、采集时间点、节假日呈强相关。
5.根据权利要求1所述的基于数字孪生和神经网络技术的配变短期负荷预测方法,其特征是:所述基于数字孪生配电网进行短期负荷预测,是通过数字孪生技术和GRU神经网络结合,从而进行负荷预测,包括:
步骤(1)特征工程阶段;
步骤(2)预测阶段;
步骤(3)评价阶段。
6.根据权利要求5所述的基于数字孪生和神经网络技术的配变短期负荷预测方法,其特征是:所述特征工程阶段,是基于数据驱动建立配电网配变设备的GRU神经网络模型;孪生配变基于采集数据,获取配变设备的负荷数据、气象数据、采集时间点、节假日数据,对数据进行归一化处理。
7.根据权利要求5所述的基于数字孪生和神经网络技术的配变短期负荷预测方法,其特征是:所述预测阶段,是将数据集分为训练集与测试集,并保持时序不变,利用GRU神经网络模型进行训练,同时优化并更新网络模型参数;最后,再将验证数据输入到训练好的模型中进行预测,得到对未来4小时以内的负荷预测结果;
所述评价阶段,是通过均方根误差RMSE、平均绝对百分比误差MAPE两种指标来判断预测结果精度的高低,经过对比研究得到模型的好坏。
8.基于数字孪生和神经网络技术的配变短期负荷预测装置,其特征是:包括:
采集模块,用于采集负荷数据,进行负荷特征分析;
预处理模块,用于对采集的负荷数据进行数据预处理;
修正模块,用于对将数据预处理后的负荷数据,基于相似日的预测结果进行修正;
预测模块,用于基于数字孪生配电网进行短期负荷预测。
9.一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8中任一权利要求所述的基于数字孪生和神经网络技术的配变短期负荷预测方法及装置的步骤。
10.一种计算机存储介质,其特征是:所述计算机存储介质上存有计算机程序,所述计算机程序被处理器执行时实现权利要求1-8中任一权利要求所述的基于数字孪生和神经网络技术的配变短期负荷预测方法及装置的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310122258.8A CN116388150A (zh) | 2023-02-15 | 2023-02-15 | 基于数字孪生和神经网络技术的配变短期负荷预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310122258.8A CN116388150A (zh) | 2023-02-15 | 2023-02-15 | 基于数字孪生和神经网络技术的配变短期负荷预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116388150A true CN116388150A (zh) | 2023-07-04 |
Family
ID=86977705
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310122258.8A Pending CN116388150A (zh) | 2023-02-15 | 2023-02-15 | 基于数字孪生和神经网络技术的配变短期负荷预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116388150A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117595231A (zh) * | 2023-10-20 | 2024-02-23 | 国网安徽省电力有限公司六安供电公司 | 一种智能电网配网管理系统及其方法 |
CN117674098A (zh) * | 2023-11-29 | 2024-03-08 | 国网浙江省电力有限公司丽水供电公司 | 面向不同渗透率的多元负荷时空概率分布预测方法及系统 |
-
2023
- 2023-02-15 CN CN202310122258.8A patent/CN116388150A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117595231A (zh) * | 2023-10-20 | 2024-02-23 | 国网安徽省电力有限公司六安供电公司 | 一种智能电网配网管理系统及其方法 |
CN117595231B (zh) * | 2023-10-20 | 2024-05-31 | 国网安徽省电力有限公司六安供电公司 | 一种智能电网配网管理系统及其方法 |
CN117674098A (zh) * | 2023-11-29 | 2024-03-08 | 国网浙江省电力有限公司丽水供电公司 | 面向不同渗透率的多元负荷时空概率分布预测方法及系统 |
CN117674098B (zh) * | 2023-11-29 | 2024-06-07 | 国网浙江省电力有限公司丽水供电公司 | 面向不同渗透率的多元负荷时空概率分布预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111783953B (zh) | 一种基于优化lstm网络的24点电力负荷值7日预测方法 | |
CN116388150A (zh) | 基于数字孪生和神经网络技术的配变短期负荷预测方法 | |
CN111967688B (zh) | 一种基于卡尔曼滤波器与卷积神经网络的电力负荷预测方法 | |
CN112990556A (zh) | 一种基于Prophet-LSTM模型的用户用电能耗预测方法 | |
CN112001439A (zh) | 基于gbdt的商场建筑空调冷负荷预测方法、存储介质及设备 | |
CN112734128B (zh) | 一种基于优化rbf的7日电力负荷峰值预测方法 | |
CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
CN111160626B (zh) | 一种基于分解融合的电力负荷时间序列控制方法 | |
CN112396234A (zh) | 一种基于时域卷积神经网络的用户侧负荷概率预测方法 | |
CN113344288B (zh) | 梯级水电站群水位预测方法、装置及计算机可读存储介质 | |
CN114372360A (zh) | 用于电力负荷预测的方法、终端及存储介质 | |
CN114862032B (zh) | 一种基于XGBoost-LSTM的电网负荷预测方法及装置 | |
CN110533247B (zh) | 一种采用气温数据异常点补偿的月度用电量预测方法 | |
CN113011680A (zh) | 一种电力负荷预测方法及系统 | |
CN111709585A (zh) | 一种空调负荷预测方法、装置及存储介质 | |
CN114881347A (zh) | 一种采用加权残差聚类的天然气负荷预测区间估计方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN114186733A (zh) | 一种短期负荷预测方法和装置 | |
Sun et al. | Short-term power load prediction based on VMD-SG-LSTM | |
CN111697560B (zh) | 一种基于lstm预测电力系统负荷的方法及系统 | |
CN117408394A (zh) | 电力系统的碳排放因子预测方法、装置及电子设备 | |
CN117595231A (zh) | 一种智能电网配网管理系统及其方法 | |
CN117113086A (zh) | 一种储能机组负荷预测方法、系统、电子设备及介质 | |
CN116307250A (zh) | 一种基于典型日特征选择的短期负荷预测方法及系统 | |
CN114997470A (zh) | 基于lstm神经网络的短期用电负荷预测方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |